オピオイド使用障害に対する治療維持の予測：NLPおよびLLM由来の臨床特徴を用いた機械学習アプローチ
カテゴリ：公衆衛生・予防医療
公開日：2026年1月29日
タイトル：Predicting treatment retention in medication for opioid use disorder: a machine learning approach using NLP and LLM-derived clinical features.
雑誌名：J Am Med Inform Assoc. 2025 Dec 01; 32(12): 1865-1876. doi: 10.1093/jamia/ocaf157.
概 要：
本研究は、オピオイド使用障害に対するブプレノルフィン-ナロキソン（BUP-NAL）療法の6か月間の治療維持予測を改善することを目的としています。具体的には、非構造化臨床ノートから得られた大規模言語モデル（LLM）由来の特徴を組み込むことで、予測精度を向上させました。スタンフォード医療の電子健康記録（EHR）データを用いてモデルを開発し、外部検証にはNeuroBlu行動健康データベースを使用しました。
方 法：
本研究では、スタンフォード医療のEHRデータを用いてモデルを開発し、内部検証を行いました。非構造化ノートから抽出した13の臨床および心理社会的特徴をLLMを用いて取得し、構造化データと組み合わせました。分類モデル（ロジスティック回帰、ランダムフォレスト、XGBoost）と生存モデル（CoxPH、ランダム生存フォレスト、サバイバルXGBoost）を訓練し、ROC-AUCおよびC-indexを用いて評価しました。
結 果：
XGBoostが最も高い分類性能（ROC-AUC=0.65）を示しました。LLM由来の特徴を組み込むことで、すべてのモデルアーキテクチャの性能が向上し、特にロジスティック回帰のような単純なモデルでの改善が顕著でした。時間経過分析では、ランダム生存フォレストとサバイバルXGBoostが最高のC-index（約0.65）を達成しました。SHAP分析により、慢性疼痛、肝疾患、重度のうつ病などのLLM抽出特徴が重要な予測因子であることが明らかになりました。
結 論：
構造化EHRデータとLLM抽出特徴を組み合わせることで、BUP-NALの治療維持予測が中程度改善され、個別化リスク層別化が可能となり、物質使用障害に対するAI駆動のケアの進展が期待されます。